- 基于微信聊天的 结合增强现实技术（AR）+LBS(暂时基于图像） 的星际漂流瓶 的轻社交游戏。重新认识你身边的世界，或许我们早已与外星生命共同生活着。
项目由下面的模块组成，每个模块都可以单独使用，也可组合使用，如：直接按需就调用图像生成外星人、外星生物、外星植物、外星建筑
| 简要 | 具体描述 | 项目中的代码及模型 |
|---|---|---|
| 1.基于LSGAN的外星生物生成，利用爬虫与GAN生成我们想要的东西的过程 | 请跳转到本页中的C.1 | Train.zip |
| 2.快速调用PaddleSeg的cityscapes模型，进行18类常见物体的分割 | 请跳转到本页中的C.2 | CityscapesModule.py +PetModel文件夹 |
| 3.OpenCV的seamlessClone实现图像融合，呈现各种AR效果,遮挡关系等 | 请跳转到本页中的C.3 | alienPetModule.py |
| 4.外星人换脸，外星人脸与地球人脸融合效果的优化 | 请跳转到本页中的C.4 | alienHeadModule.py |
| 5.YUV颜色空间实现颜色图案迁移，基于CV技术生成外星植物 | 请跳转到本页中的C.5 | vegetateModule.py |
| 6.PaddleHub的msgnet实现图像迁移，基于深度学习生成类流沙或沙画效果 | 请跳转到本页中的C.6 | sandModule.py + msgnet文件夹 |
| 7.Wechaty漂流瓶游戏，微信漂流瓶及通过开发者模式控制整个流程 | 请跳转到本页中的D | bot文件夹 |
你可能收到来自一个未知星域发过来的漂流瓶，你也可以把你想抒发的情感发向星际中
-
嗨，别来无恙啊，此刻的你是否有些孤独，别怕，此时此刻，在浩瀚宇宙中，总有与你相似的灵魂，你们或许来自不同的星球，有着不同的文明，但你们仍然可以通过太空漂流瓶去表达内心的情感，快来开启你的太空漂流瓶之旅吧......
-
用户可以在加本官方微信好友后，向本官方微信发出包含文本与图片的漂流瓶。也可以主动接收漂流瓶。
-
甚至，在一个你意想不到的时刻会收到想象之外的漂流瓶信息。发送与接收漂流瓶都可以提升等级噢！
接收漂流瓶任务，或主动出击，寻找身边潜藏的外星人、外星生物（宠物）、外星植物、外星建筑
-
基于微信聊天中的图片及文本聊天。通过文本接受到任务或主动触发。
-
可能是让用户帮忙寻找它丢失的某个外星宠物（外星生物），或者帮它找到急需用于治疗的外星植物，也可能是让你帮忙找到正在被通缉的外星人囚犯。
-
欢迎小伙伴推荐地点及地点图片或直接加入本项目，可以先star或Fork跟踪更新进度
github地址：https://github.com/kevinfu1717/SuperInterstellarTerminal
-
扫码加机器人即可体验，添加申请请填“星际终端”
-
地球并不只是人类的天下，其实有数万名外星人及其外星低等生物生活在我们当中，他们有的因为母星被毁有的因为星际战乱而选择到地球避难。
-
银河星际移民局则管理并协调着他们在地球的生活。借助超高级科技，他们隐藏原来的外观，装扮成是普通地球人，我们根本分辨不出来，说不定，站在你旁边的就是一位外星友人。
-
同时，他们也带来了外星的低等生物及外星植物，通过超科技把他们隐藏起来，装扮成地球物种或我们完全看不到。
-
主要模块结构及功能：
. ├── app.py # 把图像处理部分作为一个服务端，可供post调用生成图片 ├── ImgGenerateModule.py # 整合所有图像生成的总模块 ├── bot文件夹 # 机器人控制相关及漂流瓶逻辑 ├── TrainAlienFiles文件夹 # 生成外星宠物的图片 ├── alienHeadModule 及相关文件 # 外星人头换脸 ├── alienPetModule 及相关文件 # 生成外星宠物 ├── CityscapesModule 及相关文件 # 识别图片中物体并对他们进行定位 ├── vegetaModule 及相关文件 # 生成外星植物 └── sandModule 及相关文件 # 生成外星建筑
先看一下AI预测的外星生物矢量图：
-
从百度爬取“外星人”的图片，但因为外星人搜出来的图太杂乱。所以改变思路，用关键词“外星人 矢量”来进行搜索爬取。搜出来的外星人图片相对没那么杂乱。勉强可以用来训练。勉强是有1/5左右是白底，有1/5左右是PS中那种透明图的格子底图或水印的，有1/5是背景各种颜色的图，还有1/5是多个外星元素组成的图。大概数据见下图：
- 尝试过用midars模型或CV来提取单个外星生物，但效果都不是很好。所以，最终只使用水平翻转，增加了一倍的数量。尽管可以爬取来增加这个数量，但越到后面，爬取的图片质量越差。所以还是通过水平翻转来处理。
-
训练文件： 见项目中 Train压缩包下
TrainAlienPet.ipynb -
模型文件： 见项目中 Train压缩包下
generator0725.params -
搜索了一下GAN的模型，结合可训练性与生成效果，选择了LSGAN。基于项目aistudio上“独楼望天涯”大佬的项目 https://aistudio.baidu.com/aistudio/projectdetail/1936908进行修改。
-
在其基础上，每个epoch执行更多的Generation，以及修改了超参数（ 偶尔判别器loss高时，会有些完全不像的图）。
-
训练过程：Epoch 0 ~ Epoch 999 的LOSS及效果见下面动图：
-
具体训练项目地址见：
-
不足：
-
大概在200epochs就已经差不多，再训练到1000epochs反而效果还下降了。loss方面，判别器可以达到0.02，但生成器只能到0.8。这方面还可以优化
-
最终会有不少彩色的杂点
-
生成的外星生物矢量图有些还保留训练图的方格背景之类的。
-
生成的外星生物可能有部分过拟合，为有些很向原来的。
-
-
在叠加到现实图像中做AR效果时，使用cv处理优化这部分（具体见3-d中的描述）
-
为外星生物配上背景介绍，定义他们出现的位置，建立外星生物图鉴
生物图鉴：AI生成的外星生物
PaddleSeg 中基于cityscapes数据集的SOTA模型
PaddleSeg训练了一个在cityscapes数据集上SOTA的模型。却很低调，只是放在contrib中，仅有个英文的介绍。里面的介绍还主要针对训练的，如果只是想要体验SOTA的cityscapes的效果是怎样的却很麻烦。本项目中化简了相关的代码，一行代码体验cityscapes分割。效果真的对得起SOTA的！
-
必要文件目录结构：
. ├── CityscapesModule.py ├── testpic ├── PaddleSeg └── PetModel ├── modelCityscape.pdparams ├── pretrainedCityscape.pdparams └──mscale_ocr_cityscapes_autolabel_mapillary_ms_val.ymlpretrainedCityscape.pdparams下载地址：https://bj.bcebos.com/paddleseg/dygraph/cityscapes/ocrnet_hrnetw48_mapillary/pretrained.pdparamsmodelCityscape.pdparams下载地址：https://bj.bcebos.com/paddleseg/dygraph/cityscapes/mscale_ocr_hrnetw48_cityscapes_autolabel_mapillary/model.pdparamsmscale_ocr_cityscapes_autolabel_mapillary_ms_val.yml为PaddleSeg模型的yml文件 -
使用本模块，需修改'mscale_ocr_cityscapes_autolabel_mapillary_ms_val.yml'中model的pretrained路径到真实的模型路径，然后修改
CityscapesModule.py中的 im_path 改为你想要的图片即可
让AI能感知环境里有拿几样物品，同时可以定位到其在图片中的具体位置。 具体识别的物品如下：
( PS:注意真实返回的ID是从0开始的，所以是trainId-1，如sky实际返回的id是10 not 11）：
-
运行
CityscapesModule.py脚本,设置待处理图片的路径，将返回大小于原图片大小一样的二维数组pred，其取值是从0~18。 -
可以拿这个二维数组作为mask，例如用
np.where(mask == index, 1, 0)来截取自己感兴趣的区域，index取值为上表中实际返回ID,也即trainID -1。 -
CityscapesModule.py中把pred ×10后保存成图片，见右下图（图片像素的灰度值从0~180）。
-
配合LSGAN生成的外星生物的形象，为起配置喜好，所在环境等，写入到
ConfigPet.py中。 -
ConfigPet.py中每个dict就是一种外星生物，该外星生物的id就是那个dict的key。 -
ConfigPet.py中的areaIndex对应的就是cityScapes返回的物体ID，例如，areaIndex=10，则代表此生物是出现在天空中。 -
必要文件目录结构：
. ├── alienPetModule.py ├── ConfigPet.py ├── testpic └── PetPic
实现对应位置的叠加AR效果。如：天空中出现飞在天上的外星生物，树丛中会出现喜欢在树上的草食性外星生物。
| 序号 | 步骤 | 操作 |
|---|---|---|
| A | 准备 | 基于LSGAN生成的外星生物矢量图。配置其参数，如：名字、大小、常出现的位置，习性描述、是否需要遮罩等 |
| A | 选择 | 先判断alienIndex是0（随机生成），还是-1（不生成），或者是>0（生成id等于alienIndex的外星生物）。 |
| B | 定位 | 基于分割模型得到的mask区域，按照外星生物可存在的位置判断是否出现外星生物，及其出现位置。具体见关键技术点说明. |
| C | 合成 | 根据外星生物的特性使用cv2.seamleClone，参数选用MIXED_CLONE或NORMAL_CLONE。具体见关键技术点说明. |
# 会把src图的边缘进行模糊化，同时整个src图的色彩融合到dst中->需要src图较清晰，dst背景较简单，可以接受src图周边边缘模糊的场景
cv2.seamlessClone(src, dst, src_mask, center, cv2.NORMAL_CLONE)
# 基于透明度的融合，src图中白色的区域会显得透明度高，看起来叠加的颜色比较透->适合dst背景较复杂，但对src图清晰度要求不高，src图背景是白色的场景
cv2.seamlessClone(src, dst, src_mask, center, cv2.MIXED_CLONE)
# 会把src图变成灰度图合成到dst中->暂时看不到什么好用途
cv2.seamlessClone(src, dst, src_mask, center, cv2.MONOCHROME_TRANSFER)借用别人的图，懒得生成了，左中右分别是：NORMAL_CLONE，MIXED_CLONE，MONOCHROME_TRANSFER：
简单背景：
复杂背景：
效果好坏于背景图dst及前景图src都有关系
| 步骤 | 步骤 | 说明 | 备注 |
|---|---|---|---|
| 1 | 把src的外星生物图转成HSV格式， 通过V通道，V大于200得到二值化的mask |
HSV的V分量可以当作是亮度，在本次LSGAN生成的外星人中 基本都是白色底的，可以抠处白色底 |
|
| 2 | 二值化的图进行开运算 | 去除LSGAN中生成的一些彩色噪声点，得到外星生物的mask，宁愿漏也不要去多了。 因为合成时有个渐变，自然就把杂点淡化了 |
 |
| 3 | 把2中的二值化图进行边缘裁切， 使mask图的四个边都有白色区域接触 |
这可能是seamlessClone的一个bug，若白色区域不接触图像边缘， 其合成时的位置是按白色区域的中心点位置，不是mask图像的中心点位置，切记！！！ |
|
| 4 | 根据裁切后的mask，重新计算中心点 左边center=(x,y) |
seamlessClone的center参数是src的中心点在dst图中的位置 |
| 序号 | 步骤 | 说明 | 备注 |
|---|---|---|---|
| 1 | 利用cityScapes返回的pred图中，获取画面中某个物品的mask | 利用np.where(pred==areaIndex, 1, 0)生成二值化mask |
|
| 2 | 根据用户图片dst的大小，及外星宠物的scaleRatio参数，调整外星 宠物图片的大小 |
大小设置为dst图像长边scaleRatio，再有一个（0.8~1）倍的随机 | |
| 3 | 对二值化mask图4个边缘的值都设置0 | 相当于mask图边缘多了一个黑色的框，方便待会腐蚀时，可以 从边缘也腐蚀。否则，贴着边缘值为1的点待会都不会倍腐蚀 |
|
| 4 | 以调整后的外星宠物图像的边长d，对二值化mask图像进行opencv的 腐蚀操作。腐蚀后，值为1的点则为可选的外星 宠物图像进行seamlessClone的center点 |
腐蚀相当于我们的卷积，当该点腐蚀后仍为1，则证明其腐蚀前周围值 为1的点能组成一个d×d的形状 |
 |
| 5 | 若腐蚀后，mask图都为0，则缩小腐蚀的kernel为原来的0.6， 再重复4的步骤 |
步骤4完成后没能找到mask中为1的点则证明，没有足够位置完全把外星宠物 图像放进去，我们缩小要求，要求某区域只要有60%的外星宠物 的大小则继续融合进去 |
|
| 6 | 若4或5步骤后，mask中有值为1的点，则满足条件,可进行图像合成 |
-
有外星人又则怎能少了外星飞碟呢。外星飞船要逼真需要又遮挡关系，我们可以利用
cityscapesModule识别出的天空区域。 -
一句代码实现遮挡：
【伪代码】 np.where(mask=天空的index, 已叠加飞船的图，原图）
- Paddlehub landmark模型
landmark的68个人脸关键点模型具体介绍请见官方介绍：https://gitee.com/PaddlePaddle/PaddleHub/tree/release/v2.1/modules/image/keypoint_detection/face_landmark_localization
-
必要文件目录结构：
. ├── alienHeadModule.py ├── ConfigHead.py ├── landmarkModule.py ├── labelmeReader.py ├── CVTools.py ├── testpic └── HeadPic
实现外星人换脸
| 序号 | 步骤 | 操作 |
|---|---|---|
| A | 准备 | 1 找到一张外星人正面的照片与侧面的照片，扣出其形象保存图片。 |
| 2 我们需要手动用labelme的keypoint为其标上68个关键点，大概就好，不用太精确。landmark数据按labelme格式保存到json中。 | ||
3 配置外星人的人脸参数到ConfigHead.py中。 |
| 序号 | 步骤 | 操作 |
|---|---|---|
| B | 对齐 | 1 对用户发来的图片，利用PaddleHub的landmark模型获取图片中的人脸特征点。 |
| 2 正脸使用正脸的外星人照片的，侧脸用侧脸的预处理照片。若角度太偏则不进行处理。然后，使用landmark中脸颊的特征点求中点进行人脸图像位置上的对齐。并根据用户图片的人脸对外星人人脸进行大小调整 | ||
| C | 融合粘贴 | 1. 截取外星人人脸，生成一个上到下的渐透明的遮罩图。用cv2.seamlessCloned的NORMAL_CLONE复制到原人脸位置，但因为seamlessClone没法调参数的，外星人形象融在背景里面，不太明显不清晰。 |
2. 截取外星人人脸及颈部及上半身，生成一个上到下的渐透明的遮罩图。用cv2.addWeight把外星人脸与1中所述的人脸进行透明度融合 |
直接把外星人脸贴到用户图上边缘会很硬，如上图中的左图。
使用从上到下的遮罩，可以有效渐变过度到身体。上到下的渐变mask生成见CVTools.py中的gradientMask()。只用上到下的渐变，是因为外星人头会比正常人头大，本身过渡要求不高，所以上，左，右方向的融合过渡，依靠seamlessClone则可较好处理。剩下 下 这个方向是连接颈部或身体的需要渐变遮罩过渡。（见下图）
-
只是使用seamlessClone融合，会因为seamlessClone算法影响，把贴上去的外星人图颜色变得较多，算法只为让其融合到附近环境。原图是这样的：
-
cv2.seamlessClone没有参数调节，使得整个外星人头的颜色都变了。见下图左。 双重图片叠加融合，效果见下图右。 -
双重图片叠加融合步骤：（具体代码为项目中：
alienHeadModule.py)序号 步骤 操作 1 生成head的渐变mask 使用d2所述的方法生成头部的渐变遮罩） 2 hard paste head 使用直接粘贴替换的方式，把外星人的head粘贴到用户的图的适当位置 3 生成Body的渐变mask 把外星人头及颈部或身体上半部 对齐head的位置，使用d2所述的方法生成mask 4 seamlessClone Body 使用3所述的mask图，把外星人身体上半部seamlessClone到用户的图中，需要保证粘贴后头的位置是跟步骤2一样的 5 合成 使用 cv2.addWeight实现透明度叠加步骤2与步骤4的图。cv2.addWeighted(src1, alpha, src2, beta, gamma)，根据不同外星人的皮肤深浅调节alpha，beta。最终效果见上图中
- 找一些外星植物的图片，实现非深度学习的基于图像技术的颜色纹理迁移。也可以是一些想要的风格的图，如下图中的任意一种
-
必要文件目录结构：
. ├── vegetateModule.py ├── ConfigVegetae.py ├── testpic └── VegPic
把环境中的植物变换成外星风格的植物
| 序号 | 步骤 | 操作 |
|---|---|---|
| A | 准备 | 基于这些外星植物，在ConfigVegetae.py中配置其参数，如：名字、常出现的位置，习性描述等 |
| A | 选择 | 先判断vegetateIndex是0（随机生成），还是-1（不生成），或者是>0（生成id等于vegetateIndex是0的外星植物）。 |
| B | 定位 | 基于分割模型得到的mask区域，按照外星生物可存在的位置判断是否出现该外星植物，及其出现位置。 |
| C | 合成 | 根据外星植物的特性使用yuv颜色通道合成。具体见关键技术点说明. |
-
比较熟悉CV的同志们可以忽略此节
-
我们使用CV的方法进行处理时，通常不会再RGB颜色空间处理，而是转到HLS/HSV 也有 YUV颜色空间进行处理。这样作的好处是 其中的H 通道在一定程度上可以表示其颜色。通过这样来选择特定的颜色，S代表饱和度，V代表亮度。而YUV中 Y是亮度，U,V分别是 蓝 红 通道。
-
YUV具体介绍可见：https://zhuanlan.zhihu.com/p/95952096
-
我们也可以通过Y通道融合亮度，保留外星的U,V通道，即保留其颜色。当两个图片融合时，通过调节融合的Y通道的权重，控制合成出来的颜色亮度。
# 把图片style，content转到yuv空间 yuv = cv2.cvtColor(np.float32(style), cv2.COLOR_BGR2YUV) y, u, v = cv2.split(yuv) yuv2 = cv2.cvtColor(np.float32(content), cv2.COLOR_BGR2YUV) h, j, k = cv2.split(yuv2) # 根据ratio这个比例来合成 style 与 content两张图 hy = np.array((h * ratio + y * (1 - ratio)), 'uint8') # hy = np.clip(hy, 0, 255) # 两张图进行合成 content = np.dstack((hy, u, v)) content = cv2.cvtColor(np.float32(content), cv2.COLOR_YUV2BGR)
-
使用Msgnet迁移训练的沙画模型，实现基于深度学习的风格迁移。 大家可以对比一下5中的外星植物的效果，那是基于CV技术的迁移
-
必要文件目录结构：
. ├── sandModule.py ├── ConfigVegetae.py ├── testpic └── msgnet ├── style_paddle.pdopt └── style_paddle.pdparams
msgnet需下载模型文件并解压到msgnet文件夹下，参考上述文件结构：下载地址
把环境中的建筑变成像流沙组合起来的建筑
| 序号 | 步骤 | 操作 |
|---|---|---|
| 1 | 定位 | 基于分割模型得到的mask区域，定位areaIndex==2,即building的区域。 |
| 2 | 图像迁移 | 把建筑转成灰度图，然后用msgnet迁移成流沙的风格. |
ImgGenerateModule可以单独使用或app.py也可单独建立flask的图像生成服务供其他用途使用
-
初始化函数定义各个模型文件夹及图片素材的位置
imgGenerator = ImgGenerator( debug=False, ymlPathSeg='PetModel/mscale_ocr_cityscapes_autolabel_mapillary_ms_val.yml', #cityscapes分割模型的yml modelPathSeg='PetModel/modelCityscape.pdparams', #cityscapes分割模型文件 modelPathSand='msgnet', #沙画模型文件夹 picPathHead='HeadPic/', #外星人头素材 picPathPet='PetPic/', #外星生物素材 picPathVeg='VegPic' #外星植物及外星建筑素材 )
-
调用函数生成
输入是图片路径：
rc, img, des = imgGenerator.run( dstPath, alienHeadIndex=0, vegetateIndex=0, environmentIndex=0, alienPetIndex=0 )
输入直接是图片：
rc, img, des = imgGenerator.runImg( img, alienHeadIndex=0, vegetateIndex=0, environmentIndex=0, alienPetIndex=0 )
-
参数说明
参数名 必选 类型 说明 img/dstPath 是 string 待处理图片或待处理图片的地址 alienHeadIndex 否 int 是否进行换外星人头，-1为不处理，0为随机，>0为指定index为该值的外星人 vegetateIndex 否 int 是否添加外星植物，-1为不处理，0为随机，>0为指定index为该值的外星植物 environmentIndex 否 int 是否生成外星建筑外墙，-1为不处理，>0为生成 alienPetIndex 否 int 是否进行添加外星生物，-1为不处理，0为随机，>0为指定index为该值的外星生物 -
返回说明
参数名 类型 说明 result_code dict { 返回结果代号 ：返回结果描述}，result_code参数具体见代码中说明，200为正常生成 img numpy array 生成的图片或原图片(没有适合的位置生成时返回原图片) dis dict 包含生成外星人/生成外星植物/生成外星建筑/生成外星宠物的参数的字典. 没有进行处理则为空字典
不确定什么原因，以前Wechaty都可以在AI Studio的脚本任务跑，现在好像不可以了，从AI Studio脚本任务无法访问外网的端口了，可以ping通外网。所以，需要另外找自己的主机作深度学习这部分的图片推理生成，因此直接把上述功能再弄到flask中，弄了个接口。
-
接口代码见：项目中的
app.py脚本 -
接口文档说明见showdoc：https://www.showdoc.com.cn/1525661816374166/7370335053618085
-
并发问题：flask接口默认允许并发，即可能很短时间内或同一时间调用里面的函数的，但鉴于我们的运算都是GPU的，不支持并发调用。所以，使用了gevent来设置阻塞的服务。即会一个处理完再调用处理下一个，中间还没处理的会等待。
-
用户是在微信中，用原图发送照片给我们
-
照片拍照时，其拍照设置中打开了保存地理位置信息
-
若用户满足上述2条件，则保存的照片里将含有exif信息。该EXIF信息，可在Windows中图片的属性中看到，GPS，拍照日期等信息：
-
EXIF的详细介绍可见，这里不详细叙述了：
http://www.360doc.com/content/18/0303/07/7793103_733844932.shtml
-
python中有pip库可以直接获取照片的exif信息， 具体代码可见项目工程中的
exifModule.py -
本脚本中提取了最关键的经度与纬度信息，还有拍照日期可供调用
-
具体代码可见项目工程中的
geoModule.py-
步骤：把获得的经纬度信息去请求开放的地图api，获取具体地址.这个方法的名称为：逆地址编码
-
横向比较了： 百度，腾讯，高德地图，发现高德给出的个人免费调用量有 3W/日，其他两家只有几k。最终选用了高德的api
-
-
高德api获取地址步骤（非常简单）：
序号 高德流程 备注 1 注册 需要支付宝扫码实名 2 新建应用 按默认点确定即可 3 复制那个应用的key进行调用 调用代码见 geoModule.py，请使用自己的gaode_key测试
图像部分，因为用了PaddleSeg需要一台6G显存以上的主机，4G显存的没测试过，可以尝试调小 ImgGeneratorModule 中的 inputSize, 在DL处理前先缩小图片。
建议选择方案一
-
方案一：一台显存6G，内存16G电脑（部署整个项目）
-
方案二：一台普通云端服务器（1核2G之类的）+ 一台有外网IP的显存6G，内存16G电脑(部署图像部分：ImgGenerateModule)
-
方案三：一台有GPU的云端服务器
需下载以下模型：
-
简化后的PadlleSeg的cityscapes的SOTA模型（
CityscapesModule.py需要）AI Studio数据页：https://aistudio.baidu.com/aistudio/datasetdetail/102892
-
流沙效果/沙画效果模型（
sandModule.py需要）AI Studio数据页：https://aistudio.baidu.com/aistudio/datasetdetail/102698
-
PaddleSeg（
CityscapesModule.py需要）AI Studio数据页：https://aistudio.baidu.com/aistudio/datasetdetail/102136
或直接去GitHub：
git clone https://github.com/PaddlePaddle/PaddleSeg或者去Gitee：
git clone https://gitee.com/PaddlePaddle/PaddleSeg -
生成外星人矢量图模型（非必需，若要自己新增生成外星生物才需要）
AI Studio数据页：https://aistudio.baidu.com/aistudio/datasetdetail/103316
-
申请Wechaty Token
具体请访问Wechaty官网: https://wechaty.js.org/
-
快速上手
-
云服务器
-
本项目用到了阿里云的云服务器ECS，链接: 云服务器ECS
-
购买实例后登录控制台，实例名称和主机名可以自行更改，记住公网IP
-
有任何不明白的请访问: 云服务器ECS官方文档
-
-
云数据库
-
本项目用到了阿里云的云数据库RDS MySQL版，链接: 云数据库RDS MySQL版
-
购买实例后登录控制台，创建一个数据库，名为
super-interstellar-terminal -
创建一个普通账号，授权数据库填写
super-interstellar-terminal，权限为读写（DDL+DML），记住用户名和密码 -
在左侧数据库连接处找到外网地址，小本本记下来
-
设置白名单，将云服务器实例的公网IP加入白名单
-
有任何不明白的请访问: 云数据库RDS官方文档
-
-
云存储
-
本项目用到了阿里云的对象存储OSS，链接: 对象存储OSS
-
开通后登录控制台，创建一个Bucket，名为
super-interstellar-terminal -
登录RAM控制台，创建一个用户，访问方式选择编程访问，记住
AccessKey ID和AccessKey Secret -
有任何不明白的请访问: 云存储OSS官方文档
-
-
开启数据库server
# 以任何一种你喜欢❤的方式远程登陆到阿里云的云服务器 # 克隆本代码仓库 $ cd ~/ $ git clone https://github.com/kevinfu1717/SuperInterstellarTerminal.git # 安装MySQL客户端 $ sudo apt install mysql-client-core-8.0 # 开启数据库server $ cd ~/SuperInterstellarTerminal/bot/ $ python3 -m pip install -r requirements.txt $ nohup python3 server/database.py >/dev/null 2>&1 &
-
开启图像处理server
# 远程登陆到一台很牛逼的服务器（不是阿里云的云服务器） # 克隆本代码仓库 $ cd ~/ $ git clone https://github.com/kevinfu1717/SuperInterstellarTerminal.git # 开启图像处理server $ cd ~/SuperInterstellarTerminal/ $ python3 -m pip install -r requirements.txt $ nohup python3 app.py >/dev/null 2>&1 &
-
设置环境变量
OSS_ENDPOINT的设置可参考: 访问域名（Endpoint）$ export WECHATY_PUPPET="wechaty-puppet-service" $ export WECHATY_PUPPET_SERVICE_TOKEN="<your wechaty token>" # wechaty的token $ export DB_USER="<your database user name>" # 云数据库账号的用户名 $ export DB_PASSWORD="<your database password>" # 云数据库账号的密码 $ export DB_DATABASE="<your database name>" # 云数据库的数据库名，填写为super-interstellar-terminal $ export DB_SERVER_HOST="<your database server host>" # 开启数据库server的服务器地址，一般是云服务器的公网IP $ export ACCESS_KEY_ID="<your AccessKey ID>" # RAM用户的AccessKey ID $ export ACCESS_KEY_SECRET="<your AccessKey Secret>" # RAM用户的AccessKey Secret $ export OSS_BUCKET_NAME="<your oss bucket name>" # 云存储的Bucket，填写为super-interstellar-terminal $ export OSS_ENDPOINT="<your oss endpoint>" # 云存储的访问域名 $ export IMG_SERVER_HOST="<your img server host>" # 开启图像处理server的服务器地址 $ export DEVELOPERS="<your developer cipher>" # 给予开发者特权的暗号
-
运行bot
$ cd ~/super-interstellar-terminal/bot/ $ python3 -m pip install -r requirements.txt $ nohup python3 bot.py &
此项目结合了轻社交的星际漂流瓶，让大家可以抒发一下想对着太空说的话。也可以惊喜地看到别人写的漂流瓶。
后续希望可以从用户拍的图片获取到地点或经纬度，或者用户发送定位来，从而实现更准确的LBS定位。叠加上AI图像能力，说不定能比PokemonGo更棒噢！
起码普通伊布是不应该在水面出现的噢 @任天堂。
看到这个项目，要不要也一起合作来把AI融到游戏里啊 @任天堂 （JUST JOKING. DON'T TAKE IT SERIOUSELY.)
希望更多有兴趣的脑洞，一起想想我们可以怎么玩，让我们玩得更high一点吧！
希望更多小伙伴能贡献一下自己的脑洞，基于此项目，觉得还可以优化的游戏方式或游戏剧本。希望留言或评论。感谢！
希望小伙伴们觉得此项目不错的点个赞（Star）和Fork。能从头看到这里的很不容易了。非常感谢！！
- 感谢比赛的相关人员
- 感谢百度爸爸的算力及技术支持
- 感谢Wechaty与Mixlabs
- 感谢Reference中列到的所有作者
- 感谢其中用到的所有开源项目的作者及维护者
- 感谢Teammate@Lovely-Pig，感谢过程中所有提供鼓励与帮助的百度人员
- 致敬为拓展人类的宇宙梦而奋斗的所有技术工作者 Respect！!!
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent